Latar Belakang Masalah Masing-masing algoritma hanya dapat bekerja pada pada data lengkap (algoritma CB) dan data tidak lengkap (algortima BC) untuk m

Teks penuh

(1)

Dosen Pembimbing :

Prof.Dr.Ir.Handayani TJandrasa,MSc.PhD

Harmonisasi Algoritma Hybrid Untuk

Membangun Struktur Bayesian Network

Pada Basisdata

Ilham M.Said

5108201020

Dosen Pembimbing :

Prof.Dr.Ir.Handayani TJandrasa,MSc.PhD

Harmonisasi Algoritma Hybrid Untuk

Membangun Struktur Bayesian Network

Pada Basisdata

Pada Basisdata

Ilham M.Said

5108201020

(2)

Latar Belakang Masalah

Masing-masing algoritma hanya dapat

bekerja pada pada data lengkap (algoritma

CB) dan data tidak lengkap (algortima BC)

untuk mengkotruksi struktur bayesiannya

untuk mengkotruksi struktur bayesiannya

Latar Belakang Masalah

Masing-masing algoritma hanya dapat

bekerja pada pada data lengkap (algoritma

CB) dan data tidak lengkap (algortima BC)

untuk mengkotruksi struktur bayesiannya

untuk mengkotruksi struktur bayesiannya

(3)

Rumusan masalah

Bagaimana algoritma Hybrid ini dapat

bekerja membangun struktur Bayesian

Network berdasarkan data lengkap dan

data tidak lengkap yang sesuai dengan

data tidak lengkap yang sesuai dengan

struktur asalnya?

Rumusan masalah

Bagaimana algoritma Hybrid ini dapat

bekerja membangun struktur Bayesian

Network berdasarkan data lengkap dan

data tidak lengkap yang sesuai dengan

data tidak lengkap yang sesuai dengan

struktur asalnya?

(4)

Batasan

Data yang di gunakan dengan

menggunakan data bernilai biner

Solusi yang hanya ingin di capai hanyalah

terbentuknya konstruksi struktur bayes

terbentuknya konstruksi struktur bayes

Batasan

Data yang di gunakan dengan

menggunakan data bernilai biner

Solusi yang hanya ingin di capai hanyalah

terbentuknya konstruksi struktur bayes

(5)

Fase Algoritma

Algoritma ini ada 2 fase yaitu :

Fase pertama menghasilkan node ordering

(CB)

Fase kedua untuk mengkonstruksi struktur

Bayesian Network (BC).

Fase Algoritma

Algoritma ini ada 2 fase yaitu :

Fase pertama menghasilkan node ordering

(CB)

Fase kedua untuk mengkonstruksi struktur

(6)

Tujuan

Studi Cara Kerja algoritma hybrid

Pembuktian dan evaluasi hasil konstruksi

struktur Algoritma Hybrid tersebut.

Tujuan

Studi Cara Kerja algoritma hybrid

Pembuktian dan evaluasi hasil konstruksi

struktur Algoritma Hybrid tersebut.

(7)

Gambaran Umum Sistem

(8)

Tahapan yang di Kerjakan Data Tidak Lengkap

(9)

Langkah algoritma

Pembentukan graf lengkap

Periksa kardinalitas node terhadap orde CI test untuk

melihat CI relation

Edge dimungkinkan dua arah (bidirected) karena tidak

semua orde CI test dilakukan sejumlah CI relation yang

tidak ditemukan sehingga muncul edge ekstra.

Pemberian arah berdasarkan aturan/rule bersifat

undirected edge maupun bidirected edge.

Langkah algoritma

Pembentukan graf lengkap

Periksa kardinalitas node terhadap orde CI test untuk

melihat CI relation

Edge dimungkinkan dua arah (bidirected) karena tidak

semua orde CI test dilakukan sejumlah CI relation yang

tidak ditemukan sehingga muncul edge ekstra.

Pemberian arah berdasarkan aturan/rule bersifat

(10)

Langkah algoritma

Membangkitkan node ordering yaitu himpunan parent untuk

masing-masing node. Edge Bersifat unidirected edge, dimana ada tail node dan heat node

Menampilkan edge yang masih undirected maupun bidirected.

Menampilkan edge yang masih undirected maupun bidirected.

Pembangkitan total order sebagai node ordering.

Himpun parent baru untuk tiap node dan menghitung probabilitas masing-masing node yang diperoleh.

 memeriksa parent baru dari node jika ada.

 Tampilkan konstruksi strukturnya.

Langkah algoritma

Membangkitkan node ordering yaitu himpunan parent untuk

masing-masing node. Edge Bersifat unidirected edge, dimana ada tail node dan heat node

Menampilkan edge yang masih undirected maupun bidirected

Menampilkan edge yang masih undirected maupun bidirected.

Pembangkitan total order sebagai node ordering.

Himpun parent baru untuk tiap node dan menghitung probabilitas masing-masing node yang diperoleh.

 memeriksa parent baru dari node jika ada.

(11)

Struktur Asal kasus VisittoAsia

(12)

Basis Data

(13)

Uji Coba Hasil Struktur

(14)
(15)
(16)
(17)
(18)

Contoh Kasus

jika diberikan order X Y Z, maka pasangan

child-parent yang mungkin terjadi adalah (X,Y),

(X,Z) dan (Y,Z) Disini Y adalah parent dan

estimasi yang diinginkan adalah estimasi

estimasi yang diinginkan adalah estimasi

probabilitas kondisional P(X|Y).

Diasumsikan X dan Y adalah variabel biner

yang hanya memiliki dua kemungkinan nilai,

yaitu (0,1)

Contoh Kasus

jika diberikan order X Y Z, maka pasangan

child-parent yang mungkin terjadi adalah (X,Y),

X,Y),

X,Y

(X,Z) dan (Y,Z) Disini Y adalah parent dan

estimasi yang diinginkan adalah estimasi

estimasi yang diinginkan adalah estimasi

probabilitas kondisional P(X|Y).

X|Y).

X|Y

Diasumsikan X dan Y adalah variabel biner

yang hanya memiliki dua kemungkinan nilai,

yaitu (0,1)

(19)

Link Persamaan

Diperoleh empat buah kombinasi P(X|Y), yaitu

p(X=0|Y=0), p(X=1|Y=0), p(X=0|Y=1), p(X=1|Y=1),

selanjutnya akan ditulis sebagai p(0|0), p(1|0), p(0|1)

dan p(1|1).

Link Persamaan

Diperoleh empat buah kombinasi P(X|Y), yaitu

X|Y), yaitu

X|Y

p(X=0|Y=0), p(

Y=0), p(

Y

X=1|Y=0), p(

Y=0), p(

Y

X=0|Y=1), p(

Y=1), p(

Y

X=1|Y=1),

Y=1),

Y

selanjutnya akan ditulis sebagai p(0|0), p(1|0), p(0|1)

dan p(1|1).

(20)

Persamaan Nilai Min dan Max

(21)
(22)

Link Persamaan

(23)

Persamaan untuk Satu Nilai Estimasi

(24)

Total Nilai Joint Probabilitas

Distribusi (JPD)

Uji Data VisittoAsia dengan Conditional Probabilitas Tabel :

 P[VisitAsia= a2]=0.9914  P[Smoking= f1]=0.5024  P[Tuberculosis=b2|VisitAsia=a2]=0.9933427476296147  P[LungCancer=e2|Smoking=f2]=0.9895498392282959  P[LungCancer=e2|Smoking=f2]=0.9895498392282959  P[TubOrLung=c2|(Tuberculosis=b2,LungCancer=e2)]=0.9366  P[Bronchitis=g2|Smoking=f2]=0.707395498392283  P[X_Ray=d1|TubOrLung=c1]=0.9716088328075709  P[Dyspnoea=h2|Bronchitis=g2]=0.8719824433065106  JPD =0.27482167584698997

Total Nilai Joint Probabilitas

Distribusi (JPD)

Uji Data VisittoAsia dengan Conditional Probabilitas Tabel :

 P[VisitAsia= a2]=0.9914  P[Smoking= f1]=0.5024  P[Tuberculosis=b2|VisitAsia=a2]=0.9933427476296147 P[LungCancer=e2|Smoking=f2]=0.9895498392282959  P[LungCancer=e2|Smoking=f2]=0.9895498392282959  P[TubOrLung=c2|(Tuberculosis=b2,LungCancer=e2)]=0.9366  P[Bronchitis=g2|Smoking=f2]=0.707395498392283  P[X_Ray=d1|TubOrLung=c1]=0.9716088328075709  P[Dyspnoea=h2|Bronchitis=g2]=0.8719824433065106  JPD =0.27482167584698997

(25)

Kesimpulan

 Jumlah ketidaklengkapan data yang besar atau kecil dari basis data tetap dapat menghasilkan struktur bayesian network yang sama atau dapat juga berbeda dari konstruksi struktur data yang lengkap hal ini disebabkan oleh pengaruh jumlah sample data, kombinasi dan pola data.

 Konstruksi struktur yang di bangun sudah mendekati struktur asal.

Kesimpulan

 Jumlah ketidaklengkapan data yang besar atau kecil dari basis data tetap dapat menghasilkan struktur bayesian network yang sama atau dapat juga berbeda dari konstruksi struktur data yang lengkap hal ini disebabkan oleh pengaruh jumlah sample data, kombinasi dan pola data.

(26)

saran

Mencoba melakukan perbandingan dengan Algoritma

lain yang juga mengkombinasikan dua algoritma

Mencoba mengkonstruksi struktur dari data dengan

Mencoba mengkonstruksi struktur dari data dengan

jumlah yang lebih besar sehingga diharapkan dapat

dilihat sejauh mana pengaruh data yang digunakan

terhadap hasil konstruksi

saran

Mencoba melakukan perbandingan dengan Algoritma

lain yang juga mengkombinasikan dua algoritma

Mencoba mengkonstruksi struktur dari data dengan

Mencoba mengkonstruksi struktur dari data dengan

jumlah yang lebih besar sehingga diharapkan dapat

dilihat sejauh mana pengaruh data yang digunakan

terhadap hasil konstruksi

(27)

Daftar pustaka

[SIT06] Sitohang, B., & Saptawati, P. (2006). Improvement of CB & BC Algorithm (CB*

Algorithm) for Learning Structure of Bayesian Networks as Classifier in Data Mining . Sekolah Teknik Elektro dan Informatika, ITB.

[PUS05] Sandhyaduhita, P., I. (2005). Algoritma CB: Algoritma yang Dibangun dengan Dua Pendekatan untuk Konstruksi Struktur Bayesian Network dalam Data Mining . Program Studi Teknik Informatika, STEI, ITB.

 [Sel08] Selvia Lorena Br Ginting(2008). Studi algoritma CB Dalam Data Mining untuk Konstruksi Struktur Bayesian Network dari Basis Data Incomplete

Konstruksi Struktur Bayesian Network dari Basis Data Incomplete

[CHE97[a]] Cheng, J., Bell, D., & Liu, W. (1997). An Algorithm for Bayesian Belief Networks Construction from Data . Proceeding of Ai & STAT ’97 (pp.83-90). Ft. Lauderdale, Florida.

[CHE97[b]] Cheng, J., Bell, D., & Liu, W. (1998). Learning Bayesian Networks from Data : An Efficient Approach Based on Information Theory. Faculty of Informatics, University of Ulster, U.K.

[SEB97] Sebastiani, P., & Ramona, M. (1997). Bayesian Inference with Missing Data Using Bound and Collapse . Report KMi-TR-58, Knowledge Media Institute, The Open University.

[SIN95] Singh, M., & Valtorta, M. (1995). Construction of Bayesian Network Structures from Data: a Brief Survey and an Efficient Algorithm . Dept. of Computer Science, University of South Carolina, Columbia, USA.

Daftar pustaka

[SIT06] Sitohang, B., & Saptawati, P. (2006). Improvement of CB & BC Algorithm (CB*

Algorithm) for Learning Structure of Bayesian Networks as Classifier in Data Mining . Sekolah Teknik Elektro dan Informatika, ITB.

[PUS05] Sandhyaduhita, P., I. (2005). Algoritma CB: Algoritma yang Dibangun dengan Dua Pendekatan untuk Konstruksi Struktur Bayesian Network dalam Data Mining

Pendekatan untuk Konstruksi Struktur Bayesian Network dalam Data Mining

Pendekatan untuk Konstruksi Struktur Bayesian Network dalam . Program Studi Teknik Informatika, STEI, ITB.

[Sel08] Selvia Lorena Br Ginting(2008). Studi algoritma CB Dalam Data Mining untuk Konstruksi Struktur Bayesian Network dari Basis Data Incomplete

Konstruksi Struktur Bayesian Network dari Basis Data Incomplete

[CHE97[a]] Cheng, J., Bell, D., & Liu, W. (1997). An Algorithm for Bayesian Belief Networks Construction from Data

Construction from Data

Construction from . Proceeding of Ai & STAT ’97 (pp.83-90). Ft. Lauderdale, Florida. [CHE97[b]] Cheng, J., Bell, D., & Liu, W. (1998). Learning Bayesian Networks from Data : An Efficient Approach Based on Information Theory. Faculty of Informatics, University of Ulster, U.K. [SEB97] Sebastiani, P., & Ramona, M. (1997). Bayesian Inference with Missing Data Using

Bound and Collapse Bound and Collapse

Bound and Coll . Report KMi-TR-58, Knowledge Media Institute, The Open University. [SIN95] Singh, M., & Valtorta, M. (1995). Construction of Bayesian Network Structures from Data: a Brief Survey and an Efficient Algorithm . Dept. of Computer Science, University of South Carolina, Columbia, USA.

(28)

TERIMA KASIH

TERIMA KASIH

TERIMA KASIH

TERIMA KASIH

TERIMA KASIH

TERIMA KASIH

TERIMA KASIH

TERIMA KASIH

TERIMA KASIH

TERIMA KASIH

Figur

Memperbarui...

Referensi

Memperbarui...

Related subjects :